人工智能 机器学习 深度学习

人工智能 机器学习 深度学习

人工智能是一个很老的概念，机器学习是人工智能的一个子集，深度学习又是机器学习的一个子集。机器学习与深度学习都是需要大量数据来“喂”的，是大数据技术上的一个应用，同时深度学习还需要更高的运算能力支撑，如GPU。

题外话：人工智能需要大数据，因为人工智能程序到处都是，但数据是稀缺的，像淘宝有购物数据，百度有搜索数据，特斯拉有驾驶数据，所以大公司在人工智能方面就比小公司有优势。

人工智能（本质是统计学，给出数据后，程序从数据中找到规律，之后就可以用这个程序来解决问题了）

智慧是与人类相关的一种特征，因此当我们尝试在机器中模仿这种智能时，我们将其称为人工智能。

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。（任何模拟人类行为的方法都可以成为人工智能）

如图像识别、NLP，其实依然没有脱离这个范围，说白了，就是“模拟人在看图方面的智能”和“模拟人在听话方面的智能”，本质上和“模拟人在计算方面的智能”没啥两样，虽然难度有高低，但目的是一样的——模拟、延伸和扩展人的智能。

缺点：根据以往的数据解决问题，所以它解决不了新的问题。

编程是显示方法，我们需要定义每个可能的方案以及该方案对应的 *** 作。机器学习是人工智能的一部分，但是这里的主要区别是他不是基于显示编程的。这意味着，代替我们为机器定义规则，机器本身将学习规则。

机器学习（换一个词，数据分析）

机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。研究人员不会亲手编写软件、确定特殊指令集、然后让程序完成特殊任务；相反，研究人员会用大量数据和算法“训练”机器，让机器学会如何执行任务。

这里有三个重要的信息：1、“机器学习”是“模拟、延伸和扩展人的智能”的一条路径，所以是人工智能的一个子集；2、“机器学习”是要基于大量数据的，也就是说它的“智能”是用大量数据喂出来的，如果缺少海量数据，它也就啥也不是了；3、正是因为要处理海量数据，所以大数据技术尤为重要；“机器学习”只是大数据技术上的一个应用。常用的10大机器学习算法有：决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔科夫。

机器学习算法通常分为以下三大类： 有监督学习：需要从有标签的数据中学到或者建立一个模式。

• 有监督学习又分为分类（类别是既定数量的）和回归（需要应对持续变化的数据，而不是有限的分类）。
• 像刚出生的宝宝一样，有父母教你这是啥那是啥，然后自己学。

无监督学习：数据是无标签的，机器学习算法需要先将数据分类，然后对数据结构进行描述，使复杂的数据看起来简单，以便进行后续分析工作。

• 可进一步分为聚类（店铺选址，购物应用感兴趣物品，搜索引擎搜相同图片等），关联，降维（减小数据体积，消除冗余），以及特征提取。
• 像原始人类，没人告知什么是什么，需要自己分类，就像生物学家一样。

强化学习：与监督学习相似，通过不断地探索学习，从而获得一个好的策略。

• 做出决策的一方被称作主体，它存在环境中主题每做出一个动作，环境都会给予反馈，主体评估反馈后决定下一个动作。一切动作的基础都是回报，目标是未来的回报尽可能大。拿五子棋举例，每落下一子，对方都会再落一子，这是主体就要认识新的局面，也就是新的环境，分析判断后再行动，主体的目标是尽可能在更多的棋局中获胜。
• 主体的每个行动都会改变环境，所以无法使用数据集训练，只能通过真实环境或模拟器产生的数据来学习。
• 计算量大，效率低，除AlphaGo，和Game AI外，落地应用并不多。现实中存在很多强化学习问题，推荐系统每次推荐都会影响人们的购买，系统需要根据新的市场数据给出心的推荐；股票市场中，每个人的买入卖出都会影响股价，交易系统需要理解新的环境后再行动。
• 强化学习分为两类。一类是基于模型的，试图用模型模拟真实环境；另一类是无模型的，不模拟环境，根据反馈数据建关于回报的模型。
• 在以上三种学习中，最接近人的学习方式，主体就像蹒跚学步的孩子，迈出的每一步都会根据现实世界的反馈不断调整自己的姿态，在跌倒中学会行走。

机器需要人提供特征进行学习。

深度学习 ：不需定义特征，机器自行决定哪些特征是相关的，并根据给定的数据进行自我训练。

深度学习的思想是受到由数十亿个神经元组成的人脑的启发，基于这种神经元的架构，我们创建了一个人工神经网络。当这个神经网络具有多层（多个隐藏层）时，我们称其为深度神经网络，因此叫深度学习。

深度学习是一个比较新的概念，算是00后，严格地说是2006年提出来的。是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。

例如自动驾驶，作为人类，我们通过眼睛看到周围的环境，并以此为基础来决定汽车是否要制动，加速还是转向，我们通过多年的驾驶实践来习得开车技能。我们可以通过相同的方式，从摄像机收集图像，并记录启动角加速度和刹车等数值，然后我们可以通过这些数据来训练机器，当像机器展示一副新图片，机器就能根据图片自己决定怎样加速，转向和刹车。

它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。深度学习又分为卷积神经网络（Convolutional neural networks，简称CNN）和深度置信网（Deep Belief Nets，简称DBN）。其主要的思想就是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元即可。

Google的TensorFlow是开源深度学习系统一个比较好的实现，支持CNN、RNN和LSTM算法，是目前在图像识别、自然语言处理方面最流行的深度神经网络模型。

机器学习与深度学习区别

1. 特征工程：我们在训练一个模型的时候，需要首先确定有哪些特征。在机器学习方法中，几乎所有的特征都需要通过行业专家在确定，然后手工就特征进行编码。然而深度学习算法试图自己从数据中学习特征。这也是深度学习十分引人注目的一点，毕竟特征工程是一项十分繁琐、耗费很多人力物力的工作，深度学习的出现大大减少了发现特征的成本。

2. 解决问题方式：在解决问题时，传统机器学习算法通常先把问题分成几块，一个个地解决好之后，再重新组合起来。但是深度学习则是一次性地、端到端地解决。
   如果任务是要识别出图片上有哪些物体，找出它们的位置。那么传统机器学习的做法是把问题分为两步：发现物体 和 识别物体。首先，我们有几个物体边缘的盒型检测算法，把所有可能的物体都框出来。然后，再使用物体识别算法，例如SVM在识别这些物体中分别是什么。
   但是深度学习不同，给它一张图，它直接给出把对应的物体识别出来，同时还能标明对应物体的名字。这样就可以做到实时的物体识别。

3. 可理解性：最后一点，也是深度学习一个缺点。其实也说不上是缺点吧，那就是深度学习很多时候我们难以理解。一个深层的神经网络，每一层都代表一个特征，而层数多了，我们也许根本就不知道他们代表的啥特征，我们就没法把训练出来的模型用于对预测任务进行解释。例如，我们用深度学习方法来批改论文，也许我们训练出来的模型对论文评分都十分的准确，但是我们无法理解模型到底是啥规则，这样的话，那些拿了低分的同学找你质问“凭啥我的分这么低啊？！”，你也哑口无言····因为深度学习模型太复杂，内部的规则很难理解。但是机器学习不一样，比如决策树算法，就可以明确地把规则给你列出来，每一个规则，每一个特征，你都可以理解。

深度学习是数学与神经科学的儿子，更贴近探究智能本身，机器学习更贴近统计学本身

参考来源

1. 知乎，链接：https://www.zhihu.com/question/41268372/answer/499938700
2. 哔哩哔哩 - 人工智能(8)：无监督学习，链接：https://www.bilibili.com/video/BV1nW411178K?from=search&seid=6318581699250098822&spm_id_from=333.337.0.0
3. 哔哩哔哩 - 什么是强化学习（Reinforcement Learning）？【知多少】，链接：https://www.bilibili.com/video/BV18F411B7sL/?spm_id_from=333.788.recommend_more_video.1
4. 哔哩哔哩 - 8分钟搞清楚人工智能，机器学习和深度学习的区别-有字幕，链接：https://www.bilibili.com/video/BV1fA411a7X6/?spm_id_from=333.788.recommend_more_video.-1
5. 哔哩哔哩 - 人工智能、机器学习、神经网络、深度学习原理解读，链接： https://www.bilibili.com/video/BV1zV411U7Me/?spm_id_from=333.788.recommend_more_video.-1
6. 哔哩哔哩 - 什么是人工智能/机器学习/深度学习/神经网络?，链接：https://www.bilibili.com/video/BV1vJ41147QU/?spm_id_from=333.788.recommend_more_video.-1